用于在线子空间模式分类的增量非参数加权特征提取
计算机视觉与模式识别
2016-10-27 v1
摘要
本文提出了一种基于非参数加权特征提取（NWFE）的新在线方法。NWFE 的提出旨在兼具线性判别分析（LDA）与非参数判别分析（NDA）的最优特性，同时纠正其缺陷。它通过赋予更大权重来强调决策边界附近的点，并弱化其他点。增量非参数加权特征提取（INWFE）是 NWFE 的在线版本。INWFE 具有 NWFE 方法的优势，例如与 LDA 相比可提取多于 L-1 个特征。它独立于类分布，在复杂分布数据上表现良好。由于其非参数散布矩阵的特性，离群点的影响被降低。此外，它可以异步添加新样本，即无论何时有新样本可用，都可将其加入算法。这对许多现实应用很有用，因为并非所有数据都能提前获取。该方法在 Gaussian 与非 Gaussian 多维数据、多个 UCI 数据集和 Indian Pine 数据集上进行了实现。结果在分类准确率和执行时间方面与 NWFE 进行了比较。对于最近邻分类器，结果表明该技术在学习过程结束时收敛于 NWFE。此外，在执行时间方面，其计算复杂度较 NWFE 有所降低。
引用
@article{arxiv.1610.08133,
title = {Incremental Nonparametric Weighted Feature Extraction for OnlineSubspace Pattern Classification},
author = {Hamid Abrishami Moghaddam and Elaheh Raisi},
journal= {arXiv preprint arXiv:1610.08133},
year = {2016}
}